Aprendizado de kernel para estratégias dinâmicas de trading média-variância

Resumo

O artigo apresenta um método baseado em kernel para construir estratégias dinâmicas de trading com objetivo média-variância. Representa as estratégias como funções em um espaço de Hilbert de kernel reprodutor, permitindo que as decisões dependam do histórico de sinais do mercado, e não apenas do estado atual. Isso oferece uma abordagem flexível para problemas de carteira quando a dinâmica dos ativos ou os sinais preditivos apresentam dependência temporal.

O arcabouço é comparado com um método baseado em assinaturas e abordagens markovianas clássicas. Em exemplos sintéticos e com dados de mercado, relata-se que os dois métodos não markovianos têm desempenho significativamente superior quando há dependências temporais. As opções de características do kernel podem incluir assinaturas aleatorizadas ou camadas de redes neurais, enquanto o método mantém soluções em forma fechada em vez de depender de otimização baseada em gradiente. O trecho não especifica conjuntos de dados, métricas nem o tamanho e a robustez dos ganhos relatados.

Ideias principais

• O método parametriza políticas de trading como funções em um espaço de Hilbert de kernel reprodutor.
• Estratégias dependentes do histórico podem lidar com dependências temporais que métodos markovianos talvez não capturem.
• O artigo compara o aprendizado de kernel com estratégias baseadas em assinaturas e abordagens markovianas clássicas.
• Relata desempenho superior em exemplos sintéticos e com dados de mercado quando há dependência temporal.
• O arcabouço oferece soluções em forma fechada e representações flexíveis de características.

Tags

# Kernel Learning for Mean-Variance Trading Strategies


# Kernel Learning for Mean-Variance Trading Strategies









In this article, we develop a kernel-based framework for constructing dynamic, pathdependent trading strategies under a mean-variance optimisation criterion. Building on the theoretical results of (Muca Cirone and Salvi, 2025), we parameterise trading strategies as functions in a reproducing kernel Hilbert space (RKHS), enabling a flexible and non-Markovian approach to optimal portfolio problems. We compare this with the signature-based framework of (Futter, Horvath, Wiese, 2023) and demonstrate that both significantly outperform classical Markovian methods when the asset dynamics or predictive signals exhibit temporal dependencies for both synthetic and market-data examples. Using kernels in this context provides significant modelling flexibility, as the choice of feature embedding can range from randomised signatures to the final layers of neural network architectures. Crucially, our framework retains closed-form solutions and provides an alternative to gradient-based optimisation.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.